Heidelberg'deki bir araştırma ekibini durduran veri grafiği bir keşif değil, bir keşfin yokluğuydu. 2025'in soğuk bir Aralık sabahında, Teorik Fizik Enstitüsü'nde, kozmik taramalardan elde edilen milyarlarca veri noktasıyla eğitilmiş bir makine öğrenimi modeli çalışmasını yeni tamamlamıştı. Evrenin büyük ölçekli yapısını yöneten denklemleri başarıyla tersine mühendislik yöntemiyle çözmüş; Büyük Patlama'nın başlangıç koşullarından galaksi dağılımlarını ve kozmik ağı doğru bir şekilde tahmin etmişti. Ancak, birkaç yüz megaparsek üzerindeki ölçeklerde tahminleri uçurumdan aşağı yuvarlandı. Evrenin genişleme hızı, yani karanlık enerji tarafından yönlendirilmesi gereken o hız, basitçe yeniden üretilemiyordu. Bir bakıma evrenin nasıl işlediğini çözen bir yapay zeka, standart kozmolojik modelde kocaman bir delik ortaya çıkarmıştı.
Evrenin nasıl işlediğini çözen bir yapay zeka — ta ki çözemeyene kadar
Süreç basit değildi. Yapay zekanın mimarisi, dönme ve öteleme değişmezliği gibi fiziksel yasaları kısıtladığı bilinen simetrileri içeriyor ve ağı, uzay-zamanın geometrisine saygı duyacak bir şekilde verilerden öğrenmeye zorluyordu. Ekip, ESA'nın Euclid uzay teleskopu ve Karanlık Enerji Araştırması'ndan (Dark Energy Survey) gelen gerçek gözlemleri modele beslediğinde, CosmoGraph galaksilerin nerede olması gerektiğini %99,7 doğrulukla tahmin edebiliyordu — ta ki edemeyene kadar.
Voss, "Kozmik varyans nedeniyle en büyük ölçeklerde bir sapma bekliyorduk," dedi, "ancak model kümelenme genliğini sistematik olarak olduğundan düşük tahmin etti ve geç dönem hızlanmasını tamamen gözden kaçırdı. Sanki evren, en görkemli halinde, farklı bir kurallar dizisine uyuyordu."
Karanlık enerjinin olması gereken yerde bir boşluk
Fizikçiler uzun zamandır kozmolojik sabitin bir yer tutucu olduğunu, o kadar hassas ayarlanmış bir parametre olduğunu biliyorlardı ki birçok teorisyen onu doğal bulmuyor. CosmoGraph'ın ortaya koyduğu şey, yalnızca maddenin —karanlık ve görünür— kütleçekimsel dinamiklerini yakalamak için optimize edilmiş bir sistemin, sabit bir itici güce duyulan ihtiyacı basitçe görmediğiydi. Hızlanma, yalnızca eğitim verileri büyük ölçekli gözlemleri içermeye zorlandığında ortaya çıkıyor ve bu da modelin küçük ölçeklerdeki uyumunu bozuyordu. Bu, eksik bir bileşenin belirtisidir: kozmosda, ölçeğe bağlı yapı oluşumunu genişleme hızıyla mevcut teorilerimizin yakalayamadığı bir şekilde birleştiren bir şey.
Yapay zekanın kör noktası bize karanlık madde ve karanlık enerji hakkında ne söylüyor?
Eğer kozmolojik sabit doğru açıklama olsaydı, iyi eğitilmiş bir yapay zekanın bunu en basit parametre ayarı olarak çıkarabilmesi gerekirdi. Bunu yapamamış olması, hızlanmanın gerçek itici gücünün yapı büyümesiyle daha karmaşık bir şekilde bağlantılı olduğunu gösteriyor. Bir yorum, karanlık enerjinin bir sabit değil, zamanla değişen ve potansiyel olarak karanlık madde ile etkileşime giren dinamik bir alan —beşinci öz (quintessence) gibi bir şey— olduğudur. Bir diğer, daha radikal olasılık ise kütleçekimi anlayışımızın kozmik mesafelerde eksik olduğu ve en büyük ölçeklerde genel göreliliğin yerini değiştirilmiş Newton dinamiğinin veya ortaya çıkan kütleçekiminin (emergent gravity) bir varyantının alması gerektiğidir.
CosmoGraph'ın başarısızlığı, erken evrenin genişleme geçmişini, kozmik mikrodalga arka planına kazınmış haliyle, geç dönem hızlanmasıyla uzlaştırmaya çalıştığında özellikle belirginleşiyor. Bu, Hubble geriliminin yeni bir kılığa girmiş halidir: Erken ve orta dönem evren verileriyle eğitilen yapay zeka, sürekli olarak yerel olarak ölçülenden daha düşük bir Hubble sabiti tercih ediyor. Makinenin "görüşü", birçok gözlemcinin şüphelendiği şeyi vurguluyor: tutarsızlık bir ölçüm hatası değil, daha derin bir fiziksel kırılmanın belirtisidir.
Neden bir yapay zeka kör noktası insani bir sorundur?
Tüm gücüne rağmen CosmoGraph bir kara kutudur. Ekip nerede başarısız olduğunu görebiliyor, ancak sezgisel fizik açısından nedenini göremiyor. Model düzgün bir denklem çıktısı vermiyor; bir tahmin çıktısı veriyor. Bu kapalılık, fizik camiasında yapay zekanın bir keşif aracı olarak rolü hakkında bir tartışmayı tetikledi. Bir yandan, modelin küçük ölçeklerdeki başarısı makine öğreniminin yeni fizik arayışlarında kullanımını doğrularken; diğer yandan, büyük ölçekli hızlanmaya karşı körlüğü, mevcut teorik önyargıları güçlendirme riski taşıyor. Eğer eğitim verilerine karanlık enerjinin küçük bir oyuncu olduğu rejimler hakimse, yapay zeka onu aramayı asla öğrenemeyecektir.
"Makine öğrenimi, veri setinizdeki önyargıları büyütür," diye açıklıyor çalışmada yer almayan ETH Zürih'ten teorik fizikçi Sebastian Huber. "Onu iyi bir enterpolasyon motoru olacak şekilde eğitirseniz, tam olarak öyle olacaktır — bir enterpolasyon motoru. İlginç fizik genellikle ekstrapolasyondadır ve orada teoriye ihtiyacınız vardır."
Bu sınırlama sadece kozmolojiye özgü değildir. Astrofizik ve parçacık fiziği genelinde, yapay zeka modelleri petabaytlarca veriyi taramak, yeni fenomenlerin sinyalini verebilecek anomalileri işaretlemek için kullanılıyor. Ancak onları zayıf sinyallere karşı duyarlı kılan istatistiksel teknikler, aynı zamanda onları enstrümantal artefaktlara ve modelleme varsayımlarına karşı da son derece hassas hale getiriyor. CosmoGraph'ın ortaya çıkardığı kör nokta, ironik bir şekilde, bir özellik olabilir — mevcut denklemlerimizin tüm hikaye olamayacağına dair güçlü bir gösterge; ancak bu sonucu bir sinir ağından çıkarmak, makinenin henüz sağlayamadığı insani muhakeme katmanlarını gerektiriyor.
Avrupa'nın Euclid'i ve kozmik haritacılığın geleceği
Heidelberg grubunun çalışması, büyük ölçüde Avrupa Uzay Ajansı'nın 1,4 milyar avroluk karanlık evren teleskopu olan ESA'nın Euclid görevi verilerine dayanıyor. Euclid, karanlık enerjinin evreni kozmik zaman boyunca nasıl şekillendirdiğini takip etmek için milyarlarca galaksinin şekillerini ve mesafelerini ölçerek şimdiye kadar yapılmış en hassas üç boyutlu kozmos haritasını oluşturuyor. Görev, Avrupa uzay biliminin bir mücevheridir ancak veri hattı, yapay zeka destekli keşifler için hem bir fırsat hem de bir risktir.
Ayrıca bir finansman gerilimi de var. Horizon Europe programı, temel fizik için yapay zeka ve veri bilimine önemli kaynaklar aktardı, ancak CosmoGraph sonucu, tamamen veriye dayalı yaklaşımların karanlık enerji konusunda uzun zamandır beklenen atılımı sağlamasının pek olası olmadığını gösteriyor. Sistematik hata bütçelerini iyileştirmenin ve daha gerçekçi simülasyonlar oluşturmanın daha sıradan işi daha az gösterişli olabilir, ancak herhangi bir yapay zeka keşfinin dayanması gereken temel budur.
Heidelberg ekibi, modelini büyük ölçekli hızlanma senaryolarını yapay olarak enjekte eden genişletilmiş eğitim setleriyle yeniden çalıştırmayı planlıyor; aslında yapay zekaya ne beklemesi gerektiğini öğretiyorlar. Bu garip bir tersine çevirme: verilerin konuşmasına izin vermek yerine, makineye teorik bir reçete veriyorlar. Bu, eski tarz bir empiristi ürkütecek türden bir metodolojik taviz. Ancak bu, standart modeldeki boşluğun teorilerimizdeki bir çatlak mı yoksa sadece kendi cehaletimizin bir yansıması mı olduğunu öğrenmenin en hızlı yolu olabilir.
Kaynaklar
- Heidelberg Üniversitesi STRUCTURES Kümesi (araştırma sunumu ve baskı öncesi metin)
- ESA Euclid Konsorsiyumu veri sürümleri ve teknik belgeleri
- Nature Astronomy (yapay zeka kaynaklı kozmolojik kısıtlamalar üzerine yakında çıkacak makale)
Comments
No comments yet. Be the first!